xmlui/handle/123456789/13 Producción académica de la escuela. Sun, 13 Sep 2026 04:47:58 GMT 2026-09-13T04:47:58Z xmlui/handle/123456789/723 Detección de Vulnerabilidades en Código Generado Automáticamente por Modelos de Lenguaje Navarro Coto, Juan José; Rivel Oviedo, Luis Josue La adopción de modelos de lenguaje de gran escala (LLM) para la generación automática de código ha transformado significativamente los procesos de desarrollo de software, permitiendo incrementar la productividad y reducir los tiempos de implementación. Sin embargo, esta evolución tecnológica introduce riesgos asociados a la seguridad del software debido a la posible generación de código vulnerable. La presente investigación tuvo como objetivo evaluar la seguridad del código fuente generado por herramientas de inteligencia artificial en sus versiones gratuitas, utilizando pruebas de análisis estático fundamentadas en el marco OWASP Top Ten 2021. Para ello, se diseñaron escenarios de prueba orientados a identificar vulnerabilidades relacionadas con inyección, fallas criptográficas, configuraciones inseguras, problemas de autenticación e integridad de software. Los resultados evidenciaron que los modelos evaluados son capaces de generar código funcional, pero no incorporan mecanismos de seguridad de forma consistente. Asimismo, se determinó que la calidad y nivel de seguridad del código dependen en gran medida de la especificidad del prompt utilizado. Como resultado, se propone el uso de estrategias de generación segura guiada para reducir la presencia de vulnerabilidades, complementadas con procesos tradicionales de validación y revisión de seguridad. Wed, 01 Apr 2026 00:00:00 GMT xmlui/handle/123456789/723 2026-04-01T00:00:00Z xmlui/handle/123456789/721 Instance Segmentation for Automated Pineapple Counting Lopez, Nayarit; Herrera, Rodrigo; Calvo, Andrés; Guzman, Daniel; Galeno, Isabell; Valverde, Jeffry; Pappa, Joaquín Este artículo presenta un enfoque innovador de segmentación por instancias para el conteo automatizado de flores de piña mediante imágenes capturadas con drones. La metodología propuesta utiliza Mask R-CNN entrenado con un conjunto de datos personalizado obtenido en plantaciones de piña de Costa Rica, con el fin de mejorar la estimación del rendimiento y la planificación logística de la cosecha. La innovación del trabajo se fundamenta en tres contribuciones principales: (1) la creación de un conjunto de datos propio recopilado en condiciones agrícolas reales, (2) el desarrollo de un script en Python para convertir cuadros delimitadores (*bounding boxes*) en máscaras poligonales para segmentación por instancias y (3) la implementación de un robusto proceso de aumento de datos (*data augmentation*) adaptado a imágenes de cultivos de alta densidad. Los resultados experimentales muestran que el modelo con mejor desempeño (V4) alcanzó una precisión (*Precision*) del 99,2 %, una exhaustividad (*Recall*) del 82,3 %, una puntuación F1 del 90,0 % y una exactitud (*Accuracy*) del 82,3 %, demostrando un rendimiento sólido incluso bajo condiciones de iluminación variable y oclusión. Estos hallazgos evidencian la viabilidad de integrar técnicas de visión por computadora en aplicaciones agrícolas prácticas, reduciendo el trabajo manual y mejorando la planificación logística. Como trabajo futuro, se propone explorar modelos ensamblados (Mask R-CNN + YOLOv8), adaptar arquitecturas Segment Anything (SAM) y ampliar el conjunto de datos para incluir diversas condiciones climáticas y etapas de crecimiento. Mon, 01 Jun 2026 00:00:00 GMT xmlui/handle/123456789/721 2026-06-01T00:00:00Z xmlui/handle/123456789/720 Propuesta de marco de gobernanza para el uso responsable de plataformas de inteligencia artificial en Pymes de Costa Rica Avila Madriz, Oscar La adopción de inteligencia artificial (IA) en las pequeñas y medianas empresas (Pymes) costarricenses avanza con rapidez, pero sin lineamientos claros que orienten su uso responsable. Esta ausencia de gobernanza expone a las organizaciones a riesgos asociados con privacidad, sesgos algorítmicos, seguridad de la información y cumplimiento normativo. El objetivo de esta investigación es diseñar un marco de gobernanza para el uso responsable de plataformas de inteligencia artificial en las Pymes de Costa Rica, considerando sus limitaciones técnicas, organizativas y económicas. Para ello, se desarrolló una revisión sistemática de la literatura utilizando el proceso metodológico de Biolchini y consultas directas a fuentes institucionales oficiales. Se analizaron estándares internacionales como ISO/IEC 42001:2023, el NIST AI RMF (2023), el AI Act europeo, los lineamientos éticos de la OCDE y la Estrategia Nacional de IA 2024–2027. Los hallazgos evidencian la existencia de principios ampliamente aceptados, como la gestión del riesgo, la transparencia, la responsabilidad y la ética, pero también una falta de guías prácticas adaptadas a las Pymes. A partir de estos hallazgos, se diseñó un marco de gobernanza estructurado en cinco componentes: gobernanza organizacional, gestión del riesgo de inteligencia artificial, ética y transparencia, protección de datos y seguridad de la información, y supervisión y mejora continua. La pertinencia y aplicabilidad del marco propuesto se validará mediante juicio de expertos con experiencia en ciberseguridad, gobernanza tecnológica e inteligencia artificial. Por ello, se concluye que es necesario un modelo de gobernanza progresivo, accesible y contextualizado que permita a las Pymes implementar IA de manera segura, ética y alineada con estándares globales. Este trabajo establece las bases para su diseño, representando un aporte pertinente para el ecosistema empresarial costarricense. Wed, 01 Apr 2026 00:00:00 GMT xmlui/handle/123456789/720 2026-04-01T00:00:00Z xmlui/handle/123456789/719 "Propuesta de un sistema de monitoreo y detección de eventos de seguridad para tráfico de red en dispositivos IoT residenciales utilizando una arquitectura cloud en AWS Arias Quesada, Oscar En el contexto residencial actual, el crecimiento exponencial de dispositivos IoT ha multiplicado los vectores de ataque sobre las redes domésticas, exponiendo datos sensibles y recursos críticos a amenazas persistentes. Frente a esta realidad, la presente tesis propone un sistema integral de monitoreo y detección de eventos de seguridad centrado en el análisis de tráfico de red generado por dispositivos IoT residenciales. Utilizando servicios de AWS para la ingestión de datos, se diseña una canalización escalable que captura, analiza y verifica flujos de red, permitiendo la identificación temprana de patrones anómalos mediante una serie de reglas predefinidas. La propuesta contempla un módulo de gestión centralizada que analiza alertas, además de un sistema de notificaciones automatizadas ante incidentes críticos. El enfoque combina criterios de desempeño, costo y cumplimiento de buenas prácticas de seguridad en la nube, garantizando alta disponibilidad y tolerancia a fallos. Se valida la eficacia del sistema mediante pruebas de intrusión simuladas y escenarios de ataque reales, demostrando una postura de defensa proactiva en entornos domésticos inteligentes. Wed, 01 Apr 2026 00:00:00 GMT xmlui/handle/123456789/719 2026-04-01T00:00:00Z